Thèse Estimation Multimodale des Champs de Déplacement du Sol à l'Aide de la Télédétection et de l'Intelligence Artificielle Application aux Séismes H/F

Doctorat.Gouv.Fr

Établissement : Université Grenoble Alpes
École doctorale : STEP - Sciences de la Terre de l'Environnement et des Planètes
Laboratoire de recherche : Institut des Sciences de la Terre
Direction de la thèse : Sophie GIFFARD ROISIN ORCID 000000015606145X
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-05-09T23:59:59

Motivation : Il est essentiel d'estimer avec précision l'étendue et la répartition spatiale des déformations induites par les séismes, tant pour la planification en cas de catastrophe que pour faire progresser les connaissances scientifiques. Les techniques actuelles de télédétection s'appuient soit sur le radar satellitaire, par exemple l'interférométrie, qui mesure le décalage de phase entre deux acquisitions radar, soit sur l'imagerie optique satellitaire, qui compare deux acquisitions optiques séparées de plusieurs semaines ou mois. Bien qu'elles soient complémentaires, leur traitement reste jusqu'à présent indépendant. Il serait avantageux de fusionner ces différentes modalités dans un cadre unique, plutôt que d'estimer la déformation séparément. La télédétection permet une estimation dense en produisant des champs de déformation, mais la tâche est difficile : 1) les déplacements sont faibles (< quelques mètres) par rapport à la résolution des données, 2) les deux acquisitions, avant et après l'événement, sont séparées par des semaines ou des mois, ce qui entraîne des changements anthropiques, de végétation et d'éclairement. Les membres d'ISTerre ont exploré avec succès la manière de construire une base de données synthétique réaliste pour entraîner un réseau U-net d'apprentissage profond destiné à l'estimation des flux sous-pixelaires par satellite optique [1]. Ils ont également récemment étudié une adaptation pour les acquisitions radar à amplitude (SAR) avec l'INRIA [2]. Cependant, les géoscientifiques doivent combiner différentes sources complémentaires, pour l'instant a posteriori, afin d'estimer correctement la déformation tant en champ proche qu'en champ lointain : données optiques, données SAR d'amplitude ainsi que données SAR interférométriques. Le SAR interférométrique permet potentiellement de mesurer des déformations de l'ordre du millimètre, mais nécessite de décomposer la différence de phase, ce qui est la plupart du temps impossible à résoudre à proximité de ruptures abruptes telles que les failles, et est faussé par les retards troposphériques. D'autre part, les méthodes optiques s'appuient sur des techniques de corrélation entre les deux acquisitions optiques, mais le champ de déplacement estimé souffre de la résolution d'acquisition et du bruit entre les deux acquisitions (végétation, éclairage, anthropique).

Objectif : Dans le cadre de ce doctorat, nous souhaitons développer une nouvelle méthode multimodale d'estimation des déformations par télédétection basée sur l'IA, qui combine des modèles multimodaux récents et des architectures de deep learning de flux optique. Le doctorant intégrera d'abord des modèles numériques d'élévation afin de pallier les variations d'éclairage. Ensuite, un modèle optique + SAR d'amplitude sera construit, le défi résidant ici dans la différence de géométrie d'acquisition. La fusion avec l'InSAR constituera l'objectif final. Bien que plus précis, l'InSAR souffre d'ambiguïtés de phase : le déballage de phase, crucial, bénéficiera donc d'une estimation conjointe. Différentes techniques d'apprentissage automatique pourraient être développées, dérivées des architectures convolutives U-net, des modèles de flux optique ML (RAFT, SEA-RAFT) et des fondements de la télédétection.

cf. résumé ci dessus